/ Модель

Характеристики

Размер весов
16,7 ГБ
Лицензия
CC BY-NC 4.0
Опубликована
21 мая 2026

Raon-OpenTTS-1B

Синтез речиТекст → аудио3 профессии

Англоязычная zero-shot модель KRAFTON синтезирует речь по тексту, используя аудиообразец для клонирования голоса.

61скачиваний за 30 дней81лайквеса обновлены19 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Raon-OpenTTS-1B — англоязычная модель синтеза речи с нуля и клонирования голоса по аудиообразцу, разработанная KRAFTON. Это вариант системы Raon-OpenTTS с примерно 1,048 млрд параметров; её архитектура — Diffusion Transformer на основе F5-TTS с flow matching. Модель принимает текст и аудиообразец голоса, а на выходе создаёт речь, стараясь передать характеристики образца. В карточке показаны примеры для разных акцентов, стилей речи, эмоций и условий записи.

Модель обучена на открытом наборе из 615 тысяч часов английской речи, собранном из 11 датасетов. Авторы сообщают о конкурентных результатах на оценках zero-shot TTS, включая шумные и выразительные условия. Весовые файлы доступны в формате PyTorch; для запуска авторы отсылают к репозиторию krafton-ai/Raon-OpenTTS. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Модель предназначена для генерации английской речи с заданным голосом по тексту и аудиообразцу. Показатели качества приведены авторами технического отчёта; они зависят от данных и условий оценки, поэтому не гарантируют аналогичного результата для каждого голоса или текста.

Сценарии применения

  • синтез английской речи по тексту с заданным голосом
  • клонирование голоса по короткому аудиообразцу
  • озвучивание текстов с заданным стилем речи
  • генерация выразительной речи с передачей эмоций
  • озвучивание текста в условиях шумного или нестандартного аудиообразца

Ограничения

Модель ориентирована на английскую речь, а качество зависит от аудиообразца и условий записи. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Raon-OpenTTS-1B

Raon-OpenTTS is an open-data, open-weight zero-shot TTS system that performs on par with state-of-the-art closed-data models. This is the 1B variant.

Listening Demo

Zero-shot voice cloning samples from Raon-OpenTTS-1B across challenging conditions. Each row shows the generated audio, the input text, and the reference (prompt) audio.

Background Noise

GeneratedTextReference
That is exactly what happened
relative to how much i think of other vacations and
I hope not, Dick; I hope not; but smugglers don't stand at anything sometimes".

Emotion

GeneratedTextReference
To my surprise he began to show actual enthusiasm in my favor.

Speaking Style

GeneratedTextReference
Keep an eye on him.

Accent

GeneratedTextReference
MacDougall tapped his forehead suspiciously with a stubby forefinger.
it occurred to me that there would have to be an accounting

Key Features

  • Fully Open: Both model weights and training data (615K hours, 11 English speech datasets) are publicly available for reproducible TTS research.
  • Competitive with Closed-Data SOTA: Ranks 1st or 2nd in WER and SIM among recent zero-shot TTS models on Seed-TTS-Eval and CV3-Eval, matching systems trained on millions of hours of proprietary data.
  • Robust Across Acoustic Conditions: Achieves the best average WER and SIM on Raon-OpenTTS-Eval across Clean, Noisy, Wild, and Expressive regimes.
  • Large-Scale Curated Data: Trained on Raon-OpenTTS-Core (510K hours), quality-filtered from Raon-OpenTTS-Pool using combined DNSMOS, WER, and VAD rank-based filtering.
  • DiT Architecture: Based on F5-TTS Diffusion Transformer with flow matching, enabling efficient zero-shot speech synthesis.

Model Details

Parameters1048M
ArchitectureDiT (Diffusion Transformer), based on F5-TTS
Configdim=1408, depth=28, heads=24, ff_mult=4, text_dim=512, conv_layers=4
Training DataRaon-OpenTTS-Core (510.1K hours)
Steps520K updates
Hardware48 NVIDIA B200 GPUs
Batch Size2,688K frames (14K/GPU x 192 GPUs)
OptimizerAdamW, peak LR 1e-4, 50K warmup, linear decay, grad norm 1.0
Audio80-ch mel-spectrogram, 16kHz, hop=256
VocoderHiFi-GAN (speechbrain/tts-hifigan-libritts-16kHz)

Benchmark Results

Bold marks the best result and the Raon-OpenTTS rows. All numbers are from the technical report.

Seed-TTS-Eval

WER measured via Whisper-large-v3; SIM via WavLM-large.

ModelParamsWER (%) ↓SIM ↑
Human-2.140.734
Seed-TTS-2.250.762
CosyVoice 31.5B2.210.720
Index-TTS 21.5B2.180.709
Llasa8B3.630.581
VoxCPM0.5B1.980.730
CosyVoice 20.5B2.610.659
CosyVoice 30.5B2.500.698
Qwen3-TTS1.7B1.460.715
Voxtral TTS4B2.190.663
MaskGCT0.6B2.570.713
F5-TTS0.3B2.040.671
Raon-OpenTTS-0.3B0.3B1.950.687
Raon-OpenTTS-1B1.0B1.780.749

CV3-Eval

WER on CV3-EN and CV3-Hard-EN; SIM via ERes2Net, DNSMOS for perceptual quality (CV3-Hard-EN).

ModelCV3-EN WER (%) ↓CV3-Hard-EN WER (%) ↓CV3-Hard-EN SIM ↑CV3-Hard-EN DNSMOS ↑
F5-TTS8.54---
MaskGCT7.7341.090.6243.48
CosyVoice 26.2710.280.7103.95
CosyVoice 34.9610.770.7403.98
VoxCPM5.246.440.6703.78
Qwen3-TTS4.527.890.6663.87
Raon-OpenTTS-0.3B4.627.310.7303.77
Raon-OpenTTS-1B3.926.150.7753.85

Raon-OpenTTS-Eval

4 acoustic regimes (Clean, Noisy, Wild, Expressive), 12 datasets, 6K prompt-text pairs. Overall is computed over all evaluation samples.

ModelClean WER ↓Clean SIM ↑Noisy WER ↓Noisy SIM ↑Wild WER ↓Wild SIM ↑Expr. WER ↓Expr. SIM ↑Overall WER ↓Overall SIM ↑
F5-TTS2.170.6133.820.640136.030.3243.460.50325.080.542
MaskGCT3.390.6725.560.72728.000.5816.440.5468.610.635
CosyVoice 22.590.6424.390.67549.730.5353.660.53611.020.603
CosyVoice 32.530.6783.690.7208.310.6185.490.5674.430.647
VoxCPM2.240.6863.420.73843.830.5532.660.5659.480.642
Qwen3-TTS3.380.6844.600.72679.140.5285.810.52717.590.626
Raon-OpenTTS-0.3B1.570.6454.030.7005.830.5712.530.5702.930.623
Raon-OpenTTS-1B1.440.7183.510.7695.610.6562.770.6332.810.695

Inference

For inference code and usage instructions, see krafton-ai/Raon-OpenTTS.

Training Details

Raon-OpenTTS-1B was trained for 520K update steps on 48 NVIDIA B200 GPUs using the Raon-OpenTTS-Core dataset (510.1K hours of English speech). The model uses AdamW optimization with a peak learning rate of 1e-4, 50K warmup steps, and linear decay. Gradient norm is clipped at 1.0. Waveform synthesis uses a HiFi-GAN vocoder pretrained on LibriTTS at 16kHz.

Citation

@article{kim2026raonopentts,
  title     = {Raon-OpenTTS: Open Models and Data for Robust Text-to-Speech},
  author    = {Kim, Semin and Chung, Seungjun and Moon, Taehong and Lee, Sangheon and Ahn, Minyoung and Lee, Keon and Kim, Nam Soo and Cho, Jaewoong and Schmidt, Ludwig and Lee, Kangwook and Park, Dongmin},
  journal   = {arXiv preprint arXiv:2605.20830},
  year      = {2026},
  url       = {https://arxiv.org/abs/2605.20830}
}

License

This repository is licensed under the Creative Commons Attribution-NonCommercial 4.0 International License.

© 2026 KRAFTON

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
42dcf59

0 моделей